遥感技术应用-06遥感图像分类

遥感图像分类,第4章遥感图像处理3,遥感图像分类是影像信息提取的一种方法遥感图像分类是遥感数字图像处理的重要环节，也是遥感应用最广泛的领域之一,图像分类：是通过模式识别理论，利用计算机将遥感图像自动分成若干地物类别的方法。如土地利用/覆被分类、森林类型分类、植被类型分类、岩性分类、数据信息（遥感数据地物信息）,举例,LandsatTM真彩色合成影像分类后的影像,基本原理：在遥感图像上，同类物体在同样条件下，应具有相同的光谱信息特征，从而群集在同一光谱空间区域中；不同类物体因其光谱信息特征不同，而群集在不同的光谱空间区域内。,遥感图像分类方法,计算机自动分类：监督分类非监督分类新的分类方法：人工神经网络方法决策树分类法专家系统分类法,监督分类,监督分类法是选择有代表性的试验区来训练计算机，再按一定的统计判别规则对未知地区进行自动分类的方法。,分类目的:,将图象中所有像元自动地进行土地覆盖专题分类,原始遥感图像,对应的专题图像,分类的依据是什么?,监督分类的思想,1）确定每个类别的样区2）学习或训练3）确定判别函数和相应的判别准则4）计算未知类别的样本观测值函数值5）按规则进行像元的所属判别,分类过程,原始影像数据的准备,图像变换及特征选择,分类器的设计,初始类别参数的确定,逐个像素的分类判别,形成分类编码图像,输出专题图,监督分类的主要步骤如下：（1）确定感兴趣的类别数。首先确定要对哪些地物进行分类，这样就可以建立这些地物的先验知识。（2）特征变换和特征选择根据感兴趣地物的特征进行有针对性的特征变换，这部分内容在前面特征选择和特征变换一节有比较详细的介绍。变换之后的特征影像和原始影像共同进行特征选择，以选出既能满足分类需要，又尽可能少参与分类的特征影像，加快分类速度，提高分类精度。,（3）选择训练样区训练样区的选择要注意准确性、代表性和统计性三个问题。准确性就是要确保选择的样区与实际地物的一致性代表性一方面指所选择区为某一地物的代表，另一方面还要考虑到地物本身的复杂性，所以必须在一定程度上反映同类地物光谱特性的波动情况统计性是指选择的训练样区内必须有足够多的像元，以保证由此计算出的类别参数符合统计规律。实际应用中，每一类别的样本数都在102数量级左右。,水,新城区,老城区,耕地,植被,选择样本区域,（4）确定判决函数和判决规则一旦训练样区被选定后，相应地物类别的光谱特征便可以用训练区中的样本数据进行统计。如果使用最大似然法进行分类。那么就可以用样区中的数据计算判别函数所需的参数和。如果使用盒式分类法则和用样区数据算出盒子的边界。判决函数确定之后，再选择一定的判决规则就可以对其它非样区的数据进行分类。,计算每个类别的M和，建立类别的判别函数,将样本数据在特征空间进行聚类,(5)根据判别函数逐个像素的分类判别,？,1,老城区,1,6)分类结果影像的形成,分类得到的专题图,监督法分类的优缺点,优点：.根据应用目的和区域，有选择的决定分类类别，避免出现一些不必要的类别；.可以控制训练样本的选择.可以通过检查训练样本来决定训练样本是否被精确分类，从而避免分类中的严重错误,分类精度高.避免了非监督分类中对光谱集群的重新归类.分类速度快,缺点,主观性；由于图象中间类别的光谱差异，使得训练样本没有很好的代表性；训练样本的获取和评估花费较多人力时间；只能识别训练中定义的类别。,确定像元聚集的判别规则,平行管道分类（平行六面体）,最简单的方法仅仅需要规定每个特征的DN范围一些像元可能未分类或重复分类,最小距离分类,通过训练样本确定类别中心某个像元距哪类距离最小，则判归为该类,最大似然分类,建立在贝叶斯准则基础上分类错误概率最小的一种非线性分类计算每个像元属于每一类的概率，找出概率最大者，将该像元归为概率最大的一类,非监督分类,在没有先验类别(训练场地)作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（将相似度大的像元归为一类）在非监督分类中，先确定光谱可分的类别（光谱类），然后定义它们的信息类,非监督分类举例,聚类,解译,人工神经网络法,人工神经网络是基于生物神经系统分布式存储、并行处理、自适应学习这些现象构造出具有一些低级智慧的人工神经网络系统。目前代表性的神经网络模型有：BP（BackPropagation）神经网络模糊自组织神经网络RBF（RadialBasisFunction）神经网络Kohonen自组织神经网络,人工神经网络法,决策树分类法,决策树是一树状结构，依据规则把遥感数据集一级级往下细分以定义决策树的各个分支。,决策树分类法,基本思想：从“原级”（根结点）开始，利用表达式，每一个决策将影像中的像元分成两类，使用另一表达式，每个新类又能被分成另外的两个新类，如此不断地通过选择不同的特征用于进一步地有效细分类，直到所要求的“终极”（叶结点）类别分出为止。,决策树分类法,在决策树分类中经常采用的特征有：光谱值；通过光谱值算出来的指标（如NDVI）；光谱值的算术运算值（如，和、差、比值等）；主成分；由于决策树分类法中的运算几乎都是由比较大小而组成的，所以与采用复杂计算公式的最大似然比分类法等相比，可以用很短的时间进行分类处理,专家系统分类方法,专家系统也是人工智能的一个分支，它采用人工智能语言将某一领域（如地学知识）的专家分析方法或经验，对地物的多种属性进行分析、判断，从而确定各地物的归属。利用这样的系统就可以把判读专家的经验性知识综合起来进行分类,其它分类方法,除了以上常用的分类方法之外，还有多时相数据分类方法、模糊分类法、亚像元分类法，基于纹理的分类法等等,分类精度评价,分类精度的评价通常是用分类图与标准数据（图件或地面实测值）进行比较，以正确的百分比来表示精度。已经有一系列建立在混淆矩阵基础上的精度指标来反映分类精度问题，各精度指标建立在抽样样本基础上形成样本混淆矩阵得到的统计值，是总体混淆矩阵的估计值。,每一行之和为50，表示50个样本第一行说明类1的50个样本有43个分类正确，5个错分为类2，2个错分为类3,混淆矩阵,混淆矩阵的一般形式,对角线元素是被正确分类的样本数目，非对角线元素为各类别中混分样本数目，列、行总数分别为地表类别和分类类别样本数目和。,用户精度：正确分类数/（正确分类数+错分到某类别总数）生产者精度：正确分类数/某类别总数。总体精度：由被正确分类的像元总和/总像元数。,Kappa系数：,主对角线上：xii=35+37+41=113非主对角线上：x+ixi+=5039+4050+4647=6112Kappa系数：=(136113-6112)/(1362-6112)=74.8%,分类结果评价,遥感图像分类中的若干问题,遥感分类的精度和可靠性除了与分类方法本身的优劣有关外，还取决于一些其它的因素：训练场地和训练样本的选择问题地形因素的影响混合像元问题特征变量的选择问题空间信息在分类中的应用问题图像分类的后处理问题,非监督分类,初始分类专题判别分类后处理色彩重定义栅格矢量转换,MainClassificationUnsupervisedclassification提示：实际工作中将分类设为最终分类数的2倍以上。,初始分类,1)同时显示germtm.img和germtm_isodata.img提示:germtm.img显示方式用RGB（4,5,3）；打开第2幅图时关闭cleardisplay2)打开属性表调整字段显示顺序提示：rasterattributes打开上图，EditColumnProperties打开下图,专题判别,3）编辑类别颜色和名称,专题判别,4)对比显示提示：对比Utilityflicker/Blend/Swipe区别,专题判别,分类后处理,1)聚类统计提示：mainimageinterpretergisanalysisclump,分类后处理,1)聚类统计提示：mainimageinterpretergisanalysisclump,提示：如果计算时间过长，统计邻域选择4,分类后处理,1)聚类统计提示：mainimageinterpretergisanalysisclump,聚类统计后图像属性表,分类后处理,2)过滤分析提示：mainimageinterpretergisanalysisSieve,确定最小图斑大小,过滤分析后，所有小图斑的属性值变为0,分类后处理,3)去除分析提示：mainimageinterpretergisanalysisEliminate,确定最小图斑大小,输出图像的数据类型,分类后处理,3)去除分析提示：mainimageinterpretergisanalysisEliminate,分类后处理,4)分类重编码（主要针对非监督分类）提示：mainimageinterpretergisanalysisRecode,分类后处理,4)分类重编码（主要针对非监督分类）提示：mainimageinterpretergisanalysisRecode,类别合并需要考虑实际意义,色彩重定义,栅格矢量转换,提示：mainvectorrastertovector,栅格矢量转换,监督分类,定义分类模板评价分类模板进行监督分类评价分类结果,训练样本：是许多组代表某种可识别模式的象素组，系统通过对训练样本的各种统计值来生成参数化模板。训练样本量：对N个波段进行分类，训练样本量不少于10n个像元，到达100n个像元更好。样本像元应具有代表性，避免集中局部。,训练样本选择：取决于用户对研究区及类别的了解程度。1）矢量多边形：使用矢量图层；自定义AOI多边形；2）标志种子象素：利用AOI工具，用十字光标标出一个象元作为种子象素（seedpixel）代表训练样本，其相邻象素根据用户指定参数进行比较，直到没有相邻象元满足要求，这些相似元素通过栅矢转换成为感兴趣区域。,1.定义分类模板,1）应用AOI绘图工具获取分类模板信息利用Raster工具面板多边形工具，在原图像上绘制多边形，在signatureeditor对话框中将其加载到signature分类模板中。提示：同一专题类型的多个AOI形成的模板可以合并。,应用AOI绘图工具获取分类模板信息1）打开一幅图像，germtm.img2）Classifiersignatureeditor,2）应用AOI扩展绘图工具获取分类模板信息Regiongrowingproperties进行Neighborhood属性设置。利用RegiongrowAOI选择种子点。提示：AOIseedpropertiesregiongrowingProperties约束条件：Area确定最多的像元数；Distance确定包含像元距离种子点像元的最大距离。Spectraleuclideandistance,可以接收像元与种子点之间最大波谱欧式距离（两个像元在各个波段数值之差平方和的二次根）,应用AOI扩展绘图工具获取分类模板信息,2.评价分类模板（EvaluatingSignatures）,主要评价工具包括：分类预警可能性矩阵特征对象特征空间到图像掩膜直方图方法分离性分析分类统计分析等,2.评价分类模板（EvaluatingSignatures）,类别的分离性：用于计算任意类别间的统计距离，这个距离可以确定两个类别间的差异程度，也可以确定在分类中效果最好的数据层。类别间统计距离计算公式：1）欧氏光谱距离；2）Jeffries-matusta距离；3)Divergence分离度；4）Transformeddivergence转换分离度,EvaluateSeperability,3、进行监督分类,mainimageclassification,3、进行监督分类,4、评价分类结果Mainimageclassificationaccuracyassessment,1)打开原图像2）启动精度评估对话框3）打开分类专题图；Fileopen4）原图像与精度评估关联；工具条：selectviewer图标5）设置随机点颜色；Viewchangecolors6）产生随机点;Editcreate/addrandompoints7）显示随机点类别;viewshowall;Editshowclassvalues8）输入参考点类别;Reference输入9）输出分类评价报告；Reportaccuracyreport,启动精度评估对话框,提示：正式分类评价，须产生250个随机点；,显示随机点类别,背景状况(范围，气候，地形地貌，行政等）2.基本数据格式（传感器，轨道，分辨率，时间，图像质量等）3.图像处理(校正，拼接，裁剪，重采，误差)4.分类体系（体系与标准，地形地物解译）5.分类方法(分类模板，精度评价，分类规则)6.分类后处理(滤波，类型改变)7.精度评价(分类精度与误差分析),小结：遥感数据操作主要步骤,4分类后处理,无论是监督分类还是非监督分类，其结果都会产生一些面积很小的图斑。无论从专题制图的角度还是实际应用的角度，都有必要对这些小图斑进行剔除。处理方法：聚类统计(Clump)过滤分析(Sieve)去除分析(Eliminate)分类重编码（Recode),4分类后处理,聚类统计：通过对分类专题图像计算每个分类图斑的面积、记录相邻区域中最大图斑面积的分类值等操作，产生一个Clump类组输出图像，其中每个图斑都包含Clump类组属性。这是一个中间结果，供下一步处理使用。,4分类后处理,过滤分析：对经Clump处理后的Clump类组图像进行处理，按照定义的数值大小，删除Clump图像中较小的类组图斑，并给所有小图斑赋予新的属性值0。显然，这引出了一个小图斑归属问题。可以与原分类图对比确定新属性。,4分类后处理,去除分析：用于删除原始分类